NLP 的工作流程

Question

我应该什么时候在 NLP 中对文本数据进行预处理和矩阵创建，在 train_test_split 之前还是之后？下面是我在 train_test_split 之前完成预处理和矩阵创建 (tfidf) 的示例代码。我想知道会不会有数据泄露？

corpus = []

for i in range(0 ,len(data1)):
    review = re.sub('[^a-zA-Z]', ' ', data1['features'][i])
    review = review.lower()
    review = review.split()
    review = [stemmer.stem(j) for j in review if not j in set(stopwords.words('english'))]
    review = ' '.join(review)
    corpus.append(review)

from sklearn.feature_extraction.text import TfidfVectorizer
cv = TfidfVectorizer(max_features = 6000)
x = cv.fit_transform(corpus).toarray()

from sklearn.preprocessing import LabelEncoder
le = LabelEncoder()
y = le.fit_transform(data1['label'])

from sklearn.model_selection import train_test_split
train_x, test_x, train_y, test_y = train_test_split(x, y, test_size = 0.2, random_state = 69, 
                                                                                stratify = y)

spam_model = MultinomialNB().fit(train_x, train_y)
pred = spam_model.predict(test_x)
c_matrix = confusion_matrix(test_y, pred)
acc_score = accuracy_score(test_y, pred)

Answer 1

如 official documentation TfidfVectorizer class 和 max_features 参数中所述，仅保留 k-best 特征。

max_featuresint, default=None

If not None, build a vocabulary that only consider the top max_features ordered by term frequency across the corpus.

如果您将 class 与测试集一起呈现，这将有助于更有效地 select 此功能，这就是数据泄漏（此场景基于您的问题，但在大多数情况下例，可见一斑！）。机器学习中最安全的方法是在 prediction/evaluation 之前忽略测试集，就像不存在一样！

[更新] 您可以看到来自 kaggle 的示例，该示例在预拆分数据集 here 上使用矢量化器！关于此概念的更多信息提到 here and here!

NLP 的工作流程

Workflow of NLP

python

nlp

machine-learning

tf-idf